Aplicação de Differential Privacy em dados de smart building seguindo modelo SITA

• João V. Gularte UNISC
• Charles V. Neu UNISC

DOI: https://doi.org/10.5753/errc.2025.17693

Resumo

A natureza das tecnologias aplicadas para viabilizar o desenvolvimento dos smart buildings gerou novos desafios relacionadas à privacidade dos usuários, como o possível o uso indevido dos dados capturados por sensores e dispositivos de IoT. Técnicas, como Differential Privacy (DP), podem ser utilizadas para endereçar esses desafios. Entretanto, há poucos estudos que avaliam o verdadeiro impacto da aplicação de DP em dados de smart buildings. Sendo assim, este estudo busca examinar o uso e o impacto que a técnica de Differential Privacy, seguindo o modelo SITA, exerce no funcionamento dos serviços de prédios inteligentes. Para isso, um cenário experimental de predição de CO₂ foi desenvolvido e analisado. Os resultados mostram que a técnica de DP pode ser aplicada para adicionar privacidade aos dados de prédios inteligentes sem comprometer substancialmente a acurácia da predição de CO₂.

Referências

Andersen, M. S., Kjargaard, M. B., and Grønbæk, K. (2013). The sita principle for location privacy — conceptual model and architecture. In 2013 International Conference on Privacy and Security in Mobile Systems (PRISMS).

Chaudhari, P., Xiao, Y., Cheng, M. M.-C., and Li, T. (2024). Fundamentals, algorithms, and technologies of occupancy detection for smart buildings using iot sensors. Sensors, 24(7).

da Silva, M. P., Nunes, H. C., Neu, C. V., Thomas, L. T., Zorzo, A. F., and Morisset, C. (2023). Impact of using privacy model on smart buildings data for co2 prediction. In Data and Applications Security and Privacy XXXVII: 37th Annual IFIP WG 11.3 Conference.

Dwork, C. and Roth, A. (2014). The algorithmic foundations of differential privacy. Found. Trends Theor. Comput. Sci., 9(3–4):211–407.

Liu, Q., Shakya, R., Khalil, M., and Jovanovic, J. (2025). Advancing privacy in learning analytics using differential privacy. In Proceedings of the 15th International Learning Analytics and Knowledge Conference, page 181–191.

Neu, C. V., Gibson, J., Lunardi, R. C., Leesakul, N., and Morisset, C. (2023). A blockchain-based architecture to manage user privacy preferences on smart shared spaces privately. In Data Privacy Management, Cryptocurrencies and Blockchain Technology.

Pathmabandu, C., Grundy, J., Chhetri, M. B., and Baig, Z. (2023). Privacy for iot: Informed consent management in smart buildings. Future Generation Computer Systems.

Ponomareva, N., Vassilvitskii, S., Xu, Z., McMahan, B., Kurakin, A., and Zhang, C. (2023). How to dp-fy ml: A practical tutorial to machine learning with differential privacy.